Abstract: Hearing impaired individuals utilize a crucial communication tool called sign language. Therefore, there are numerous sign languages across different countries such as natural languages. This study proposes leveraging deep learning (DL) advancements to facilitate the conversion of sign language gestures into text. To this end, a novel dataset is curated under various environmental factors such as backgrounds, lighting conditions, and sign positions. Subsequently, Convolutional Neural Networks (CNNs) are employed to detect and classify twenty-three gestures of Turkish sign language alphabet. Furthermore, various hyperparameters are explored to optimize the performance of the developed models. The best model is contingent upon the utilization of five convolutional layers coupled with the Adam learning rate optimization method. This model achieves a commendable accuracy of 97.80% after 70 epochs. Consequently, the proposed models and the challenging dataset represent a significant advancement in the field of gestures recognition.
Özet: İşaret Dili, işitme engelli bireyler için hayati bir iletişim aracı olarak hizmet eder ve farklı ülkelerde birçok işaret dilinin varlığına yol açar. Bu çalışma, işaret dili jestlerini metne dönüştürmeyi kolaylaştırmak için Türk İşaret Dili (TİD) alfabesini derin öğrenme ilerlemeleri çerçevesinde kullanmayı önermektedir. Bu amaçla, çeşitli çevresel faktörler açısından çeşitlilik gösteren yeni bir veri kümesi oluşturulmuştur, arka planlar, aydınlatma koşulları ve işaret pozisyonları gibi. Daha sonra, TİD alfabesini algılamak ve sınıflandırmak için Evrişimli Sinir Ağları (CNN'ler) kullanılmıştır. Ayrıca, geliştirilen modellerin performansını optimize etmek için çeşitli hiperparametreler araştırılmıştır. En iyi CNN mimarisi, beş evrişimli katmanı içerir ve Adam öğrenme hızı optimizasyon yöntemini kullanır; 70 epoch'tan sonra %97.80'lik bir övgüye değer doğruluk (başarılık) elde eder. Sonuç olarak, zorlu bir veri kümesi üzerinde eğitilen önerilen modeller, işaret dili tanıma alanında önemli bir ilerleme temsil etmektedir.
Bu araştırmada yer alan kısmi nümerik hesaplamalar TÜBİTAK ULAKBİM, Yüksek Başarım ve Grid Hesaplama Merkezi’nde (TRUBA kaynaklarında) gerçekleştirilmiştir. Bu çalışma Ankara Yıldırım Beyazıt Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimince Desteklenmiştir. Proje Numarası: FDK-2022-2283
Primary Language | Turkish |
---|---|
Subjects | Information Systems (Other) |
Journal Section | Research Articles |
Authors | |
Early Pub Date | August 12, 2024 |
Publication Date | |
Submission Date | May 3, 2024 |
Acceptance Date | July 18, 2024 |
Published in Issue | Year 2024 Volume: 7 Issue: 5 |